Strenge regulatorische Rahmenbedingungen bestimmen die Fertigungsprozesse der pharmazeutischen Industrie. Hierunter fällt auch die Qualitätsprüfung nach der Produktabfüllung in Spritzen, Fläschchen oder Ampullen. Für die 100-%-Kontrolle muss jedes Produkt einer Sichtprüfung unterzogen werden, um mögliche Verunreinigungen, Produktdefekte oder Kontaminationen frühzeitig zu erkennen. Durch den Einsatz von neuronalen Netzen können Fehlauswurfraten stark reduziert werden.
Aktuelle Methoden zur Qualitätsprüfung nach der Produktabfüllung beinhalten die manuelle Prüfung eines jeden Produkts durch den Menschen, die halbautomatische Prüfung mit maschineller Unterstützung sowie die vollautomatische Inspektion, bei der die Maschine die gesamte Prüfaufgabe übernimmt. Im Falle der vollautomatischen Inspektion durchläuft jedes Produkt die Inspektionsmaschine und wird dabei von mehreren Kamerastationen aus verschiedenen Perspektiven erfasst. Diese Bilder werden in Echtzeit von einer Bildverarbeitungssoftware auf der Maschine ausgewertet, um mögliche Defekte im Produkt zu erfassen und dieses gegebenenfalls auszuwerfen. Die heutige Bildauswertung erfolgt vorwiegend mithilfe von klassischen, regelbasierten Methoden. Diese Verfahren bringen jedoch technische Einschränkungen mit sich.
Als Konsequenz kommt es häufig zu hohen Fehlauswurfraten, also dem fehlerhaften Auswurf von „Gutprodukten“. In der Regel führt dies zu einem manuellen Zweitabgleich der Produkte, um erneut zwischen guten und schlechten zu unterscheiden. Dieser Prozess führt für pharmazeutische Unternehmen zu Kosten im einstelligen Millionenbereich, die vermieden werden könnten, wenn das menschliche Inspektionsfachwissen, beispielsweise durch lernende Systeme, der vollautomatischen Anlage zugänglich gemacht wird. Durch den Einsatz von neuronalen Netzen für die pharmazeutische Inspektion können die Fehlauswurfraten im Vergleich zur traditionellen optischen Inspektion um 80 bis 95 % verbessert werden.
Überwachtes maschinelles Lernen
Deep-Learning-Verfahren lernen direkt aus den erfassten Daten. Im überwachten Lernen sind die bezogenen Datensätze zudem vor dem Lernprozess bereits vorqualifiziert und das Lernsystem erhält Belohnungen
für korrekt erlernte Inhalte. Für die visuelle Inspektion ist das eine sehr gute Herangehensweise, da das System Entscheidungen auf Basis von Kamerabildern lernt, die
vorab von Inspektionsexperten klassifiziert wurden.
InspectifAI integriert moderne Deep-Learning-Verfahren unter Einhaltung aller regulatorischen Vorgaben in visuellen Inspektionsmaschinen – und zwar herstellerunabhängig. Dabei wird als technologisch fortschrittlicher Ansatz Edge Computing eingesetzt, um eine Verbindung zwischen Inspektionsmaschine und Cloud Software herzustellen. Während in der Cloud das Klassifizieren, Verwalten und Trainieren der neuronalen Netze stattfindet, liefert das Edge Device Inferenzen innerhalb von 10 ms und kann so eine hohe Taktzahl von bis zu 600 Produkten pro Minute bewerten. Das Edge Device lässt sich hierbei über ein Qualifizierungsverfahren mit sehr geringem Aufwand innerhalb eines Tages integrieren und qualifizieren.
